[发明专利]基于残差网络的遥感全色和多光谱图像分布式融合方法

说明书

本发明提供基于残差网络的遥感全色和多光谱图像分布式融合方法，主要解决现有技术中光谱失真、空间分辨率低、融合质量不高的问题，本申请包括下列步骤：通过卫星采集目标区域的原始图像，并对所述原始图像进行预处理；根据Wald准则使用预处理后全色图像和多光谱图像构建仿真训练集和测试集，构建由3个支路构成的基于残差网络的分布式融合模型，将训练集的全色和多光谱图像作为网络的输入，对网络进行充分训练；将待融合的全色和多光谱图像输入到训练好的融合网络中，得到融合图像。本发明使用不同支路不同尺度的特征进行融合，保留更多的光谱信息和空间信息，在提高空间分辨率和保留光谱信息方面更具优越性能，提高了融合质量。

技术领域

本发明涉及遥感图像处理技术领域，尤其涉及基于残差网络的遥感全色和多光谱图像分布式融合方法。

背景技术

遥感影像被广泛应用于各行各业，例如农业产量预测、农业林业病虫害检测、灾害预测、地质探测、国防、植被覆盖和土地利用、环境变化检测等等。但是由于卫星传感器技术的限制，不能同时获得高空间分辨率高光谱分辨率的图像，只能获得高空间分辨率低光谱分辨率的全色图像(PAN)和低空间分辨率高光谱分辨率的多光谱图像(MS)。但是各个领域需要使用既具有高空间分辨率又具有高光谱分辨率的图像，甚至要求具有高时间分辨率的图像。利用高空间分辨率低光谱分辨率的图像和高光谱分辨率低空间分辨率的冗余和互补信息，获得高空间分辨率高光谱分辨率的图像(HSHM)。生成这种图像的图像处理技术目前主要有图像增强、超分辨率重建、图像融合等等。其中使用最多的、主要的研究技术就是图像融合技术，它是指将多个传感器的多个图像通过一定方法生成一个质量更高、信息更丰富的图像，提高人们的视觉感受、更容易通过图像做出更精确的决策。

多光谱图像和全色图像融合技术(也称作全色锐化)是遥感图像处理领域研究的热门、重点之一。融合方法可以大体可分为传统方法、深度学习方法。传统方法中普遍被分为成分替换方法、多分辨率分析法、混合方法、基于模型法。虽然Brovey变换、施密特正交变换(GS)、主成分分析方法(PCA)等成分替代方法以及这些方法的变体被广泛应用于各个软件中，但是它们存在光谱失真、空间过度锐化的问题。小波变化、拉普拉斯金字塔分解、轮廓波变换、曲波变换、非下采样剪切波变换等多分辨率分析方法及其变体虽然减少了光谱失真，但是空间分辨率比较低，还可能出现振铃现象。随着深度学习技术的发展，各个深度学习网络开始应用于全色锐化方向，其中使用最多的就是卷积神经网络，虽然像PNN、DRPNN、PanNet、PanGAN等网络的提出用于全色锐化取得了一定的效果，但是还是会存在光谱失真、空间分辨率低、融合质量不高的问题。

发明内容

本发明的目的在于提供基于残差网络的遥感全色和多光谱图像分布式融合方法，以解决上述背景技术中提出的问题。

本发明是通过以下技术方案实现的：基于残差网络的遥感全色和多光谱图像分布式融合方法，包括下列步骤：

通过卫星采集目标区域的原始图像，并对所述原始图像进行预处理，所述原始图像包括全色图像和多光谱图像；

根据Wald准则对预处理后的原始图像进行降分辨率处理，获得降分辨率的全色图像和多光谱图像，同时基于降分辨率的全色图像以及多光谱图像构建仿真训练集以及测试集；

构建由3个支路构成的分布式残差融合模型，将训练集中降分辨率的全色图像和多光谱图像作为分布式残差融合模型的输入，全分辨率多光谱图像作为输出，对所述分布式残差融合模型进行充分训练；

将降分辨率的仿真测试集和全分辨率的全色图像和多光谱图像输入到训练好的分布式残差融合模型，得到全色锐化图像。

优选的，对所述原始图像进行预处理还包括：对原始图像进行辐射定标、几何精校正和空间配准。

优选的，根据Wald准则对预处理后的原始图像进行降分辨率处理，包括：

确定下采样因子，根据Wald准则对所述原始全色图像和多光谱图像使用双三次插值方法进行下采样；